近几年,随着计算机视觉和人工智能技术的飞速发展,通过计算机来识别人体动作已经成为了人工智能领域内热门的课题之一。它的主要任务是从输入的视频中提取有效的时空特征,然后根据同类相似异类相斥的原则对不同的特征进行分类。目前,动作识别研究已经被广泛研究于智能监控、人机交互以及运动检测等多项应用领域。本文基于时空特征融合对目前主流的动作识别算法进行了总结和归纳,并以提取表达能力强、鲁棒性高的视频特征为目的,提出了3种时空特征融合的方法。以下是本文的主要工作:（1）本文首先将基于深度学习的主流算法分为成三个类别进行综述:基于二维卷积神经网络算法、基于三维卷积神经网络算法和基于自注意力机制结构算法。接着,分析了不同方法在结构设计上的优势和缺陷,并根据各自的实验数据分析比较了它们在UCF101、HMDB51和Something-Something数据集上的识别效果差异。（2）为了弥补二维卷积网络不能联系特征上下文学习全局信息的劣势,本文结合自注意力机制分别沿时间维度和空间维度对卷积神经网络输出的高级特征图进行了全局的特征增强学习。并采用不同方向维度的空间一维卷积和不同空洞率的时序一维卷积替换自注意力的线性变换矩阵提取多尺度特征,丰富了模型的特征表达能力。通过消融实验分析得出结论:本文设计时空卷积注意力能够有效提升模型的识别准确率。（3）为了解决三维卷积计算复杂度高的问题,本文沿时间维度采用压缩激励的方式对二维空间卷积的输出特征和一维时序卷积的输出特征进行了自注意力融合,并以此设计了时空特征交互模块。实验结果表明,该融合方法的识别成绩相比于三维卷积和P3D卷积都有明显提升。（4）为了使得特征图在传播过程中实现更好的时空特征交互,本文基于通道分层和同级残差相连的方式设计了多级特征聚合模块。该模块在通道维度上对卷积网络进行分割处理,用二维卷积的输出残差连接三维卷积的输入,以此来提取更大感受野的视频级特征,然后在通道维度聚合二维卷积和三维卷积的共同计算结果以丰富特征多样性。此外,本文还设计了动态信息增强模块,该模块可以沿着时间维度增强动态区域的特征权值,弱化无关信息造成的干扰。通过消融实验分析得出结论,这两种模块在动作识别任务中均具有提升分类准确率的能力。